---
language:
- vi
task_categories:
- text-to-speech
- automatic-speech-recognition
size_categories:
- 10K<n<100K
tags:
- vietnamese
- tts
- speech
- phonemized
- multi-speaker
license: apache-2.0
---

# pnnbao-ump/VieNeu-TTS-140h

## Mô tả Dataset

A high-quality Vietnamese Text-to-Speech (TTS) dataset containing **74,858** audio samples with phonemized transcripts. This benchmark dataset is designed for fine-tuning modern TTS models with maximum synthesis quality. The text corpus is completely phonemized using standard international phonetic alphabet (IPA) representations suitable for neural acoustic modeling.

### Quick Facts

- **Language:** Vietnamese 🇻🇳
- **Tasks:** Text-to-Speech (TTS), Automatic Speech Recognition (ASR)
- **Total Samples:** 74,858
- **Audio Format:** WAV, 24kHz
- **Average Duration:** ~6.76 seconds per sample
- **Total Duration:** ~140.7 hours
- **Multi-speaker:** 193 unique speakers

### Gender Distribution

- **👨 Male:** 50,200 samples (67.1%)
- **👩 Female:** 24,658 samples (32.9%)


### Cấu trúc Dataset

Dataset bao gồm các trường sau:
```json
{
    "_id": "jellyfish1010_0041_5",
    "audio": {
        "path": "...",
        "array": [...],
        "sampling_rate": 24000
    },
    "text": "Người người băn khoăn về AI, nhà nhà cùng nhau sử dụng AI.",
    "phonemized_text": "ŋˈyə2j ŋˈyə2j bˈan xwˈan vˈe2 ˌaːˈi, ɲˈaː2 ɲˈaː2 kˈu2ŋ ɲˈaw sˈy4 zˈu6ŋ ˌaːˈi.",
    "duration": 8.39,
    "speaker": "jellyfish1010_0041",
    "gender": "male",
    "language": "vi"
}
```

#### Các trường dữ liệu:

- **_id**: ID duy nhất của mẫu (tên đã chuẩn hóa)
- **audio**: File audio WAV (24kHz) - tên file gốc
- **text**: Văn bản tiếng Việt gốc
- **phonemized_text**: Phiên âm IPA của văn bản
- **duration**: Độ dài audio (giây)
- **speaker**: ID của speaker
- **gender**: Giới tính speaker (male/female)
- **language**: Mã ngôn ngữ (vi)

## Cách sử dụng

### Tải dataset
```python
from datasets import load_dataset

# Load toàn bộ dataset
dataset = load_dataset("pnnbao-ump/VieNeu-TTS")

# Xem một mẫu
sample = dataset['train'][0]
print(f"ID: {sample['_id']}")
print(f"Text: {sample['text']}")
print(f"Phonemized: {sample['phonemized_text']}")
print(f"Duration: {sample['duration']}s")
print(f"Speaker: {sample['speaker']}")
print(f"Gender: {sample['gender']}")
print(f"Audio shape: {sample['audio']['array'].shape}")
print(f"Sample rate: {sample['audio']['sampling_rate']} Hz")
```

## Thống kê Dataset

- **Tổng số mẫu:** 74,858
- **Số speaker:** 193
- **Độ dài trung bình:** ~6.76 giây/mẫu
- **Tổng thời lượng:** ~140.7 giờ
- **Chất lượng audio:** WAV format, 24kHz
- **Phonemization:** IPA (International Phonetic Alphabet) with stress markers

## Giấy phép

Dataset này được phát hành dưới giấy phép Apache 2.0.

Bạn có thể:

✅ Sử dụng cho mục đích thương mại  
✅ Sửa đổi và phân phối  
✅ Cấp phép lại  
✅ Sử dụng trong dự án private  

Với điều kiện:

📝 Giữ nguyên thông báo bản quyền và giấy phép  
📝 Ghi rõ những thay đổi đã thực hiện  
📝 Bao gồm bản sao giấy phép Apache 2.0  

⚠️ **Lưu ý:** Dataset được cung cấp "nguyên trạng" không có bất kỳ bảo hành nào.

Xem chi tiết tại: https://www.apache.org/licenses/LICENSE-2.0

Vui lòng trích dẫn nguồn khi sử dụng.

## Citation
```bibtex
@dataset{vieneu_tts_140h,
  author = {Pham Nguyen Ngoc Bao},
  title = {VieNeu-TTS: Vietnamese Multi-Speaker Text-to-Speech Dataset},
  year = {2025},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/pnnbao-ump/VieNeu-TTS}},
  note = {140.7 hours, 193 speakers, Apache 2.0 License}
}
```

## Liên hệ

Nếu có bất kỳ câu hỏi hoặc vấn đề nào, vui lòng tạo issue trên repository.

---

**Tác giả:** Pham Nguyen Ngoc Bao  
**Năm:** 2025